【技术实现步骤摘要】
本专利技术涉及数据处理领域，尤其涉及一种运动意图解码方法及系统。
技术介绍
1、现有方法主要依赖实时采集的生理信号进行解码，难以应对复杂协同任务或多阶段任务的需求。
2、生理信号包括：
3、脑电信号（electroencephalogram，eeg）；
4、肌电信号（electromyography，emg）；
5、功能性近红外信号（functional near-infrared spectroscopy，fnirs）；
6、运动姿态信号(motion and posture signals，mps)。
技术实现思路
1、本专利技术针对现有技术所公开的运动意图解码方法不适用于复杂协同任务或多阶段任务的缺点，提出一种运动意图解码方法及系统。
2、为了解决上述技术问题，本专利技术通过下述技术方案得以解决：
3、一种运动意图解码方法，包括以下步骤：
4、获取第一信号数据，所述第一信号数据包括用户当前运动时段所对应的一个或多个生理信号；
5、基于第一信号数据和预测模型，生成相应的预测结果，所述预测结果用于指示用户下一步动作所对应的运动意图；
6、基于第一信号数据和意图识别模型，生成相应的解码结果并输出，所述解码结果用于指示用户当前动作所对应的运动意图；
7、计算所述解码结果和所述预测结果的偏差度；
8、当所述偏差度超过预设的偏差阈值时，基于所述偏
9、本实施方式适用于基于单一生理信号解码或多模态信号融合解码的场景；
10、本实施方式在解码的同时对用户下一步动作进行前瞻性预测，并当预测结果和解码结果的偏差度较大时，将偏差度作为反馈信号优化意图识别模型，即使前后动作差异较大，也能保证解码的准确性。
11、作为一种可实施方式：
12、所述第一信号数据包括第一生理信号和若干个第二生理信号，所述第一生理信号为脑电信号；
13、所述意图识别模型包括单模态解码模型和多模态解码模型，当相应的解码结果与预测结果的偏差度超过预设的偏差阈值时，基于所述偏差度对所述单模态解码模型和多模态解码模型进行反向更新；
14、基于第一信号数据和意图识别模型，生成相应的解码结果的具体步骤包括：
15、将第一生理信号所对应的信号质量评分与预设的第一评分阈值相比较；
16、当第一生理信号所对应的信号质量评分达到所述第一评分阈值时，基于所述单模态解码模型对所述第一生理信号解码，获得相应的解码结果；
17、当第一生理信号所对应的信号质量评分未达到所述第一评分阈值时，将第一生理信号作为目标解码信号，并将信号质量评分高于第二评分阈值的第二生理信号作为目标解码信号，由所述多模态解码模型基于各目标解码信号进行多模态融合解码，获得相应的解码结果。
18、本实施方式将脑电信号作为主要解码信号，当脑电信号的信号质量较佳时，基于脑电信号进行单模态解码，当脑电信号的信号质量欠佳时，则将其他信号质量较佳的生理信号作为补充，进行多模态解码，本实施方式能够智能选择适宜的信号解码方法，不仅能够提升解码的精准度和鲁棒性，还能有效提高系统的实时性与适应性。
19、作为一种可实施方式：
20、所述第二生理信号为肌电信号、功能性近红外信号和姿态信号。
21、作为一种可实施方式：
22、预测模型为数字孪生体预测模型；
23、所述数字孪生体预测模型的输入为脑电信号、肌电信号和姿态信号，输出为相应的预测结果。
24、作为一种可实施方式：
25、由多模态解码模型基于各目标解码信号进行多模态融合解码的具体步骤为：
26、提取各目标解码信号所对应的解码特征；
27、基于各目标解码信号所对应的信号质量评分和解码特征进行特征加权处理，获得相应的融合特征；
28、将所述融合特征输入所述多模态解码模型，由所述多模态解码模型输出相应的解码结果。
29、作为一种可实施方式，基于各目标解码信号所对应的信号质量评分和解码特征进行特征加权处理，获得相应的融合特征的具体步骤为：
30、获取当前解码任务所对应的解码需求；
31、当所述解码需求为实时性时，由第一特征融合模型，基于目标解码信号所对应的信号质量评分和融合特征进行加权融合，获得相应的融合特征，所述第一特征融合模型为轻量化的特征融合模型；
32、当解码需求为精准性时，由第二特征融合模型，基于目标解码信号所对应的信号质量评分和融合特征进行加权融合，获得相应的融合特征，所述第二特征融合模型为深度学习模型。
33、该解码需求为配置项，可预先配置或在意图识别过程中对其动态调整，本实施方式中基于所配置的解码需求自动选择合适的特征融合模型，进一步优化解码效果。
34、作为一种可实施方式，计算第一生理信号所对应的信号质量评分的方法为：
35、基于第一生理信号的信噪比、频谱熵和功率比计算对应的信号质量评分。
36、作为一种可实施方式，各第二生理信号所对应的信号质量评分的计算方法包括：
37、基于肌电信号所对应的均方根值、肌电频谱中位频率和波形复杂度，计算获得相应的信号质量评分；
38、基于功能性近红外信号所对应的信号振幅变化、光信号强度和频谱特征，计算获得相应的信号质量评分；
39、基于姿态信号所对应的加速度均值偏差、角速度稳定性和信号采样率稳定性，计算获得相应的信号质量评分。
40、本专利技术还提出一种运动意图解码系统，包括：
41、获取模块，用于获取第一信号数据，所述第一信号数据包括用户当前运动时段所对应的一个或多个生理信号；
42、预测系统，用于基于第一信号数据和预测模型，生成相应的预测结果，所述预测结果用于指示用户下一步动作所对应的运动意图；
43、解码系统，用于基于第一信号数据和意图识别模型，生成相应的解码结果并输出，所述解码结果用于指示用户当前动作所对应的运动意图；
44、反馈系统，用于计算所述解码结果和所述预测结果的偏差度，还用于当所述偏差度超过预设的偏差阈值时，基于所述偏差度对所述意图识别模型进行反向更新。
45、本专利技术还提出一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
46、本专利技术由于采用了以上技术方案，具有显著的技术效果：
47、本专利技术在基于第一信号数据进行实时解码的同时，还对用户下一步动作进行前瞻性预测，并当实时动作的解码结果和下一步动作的预测结果的偏差度较大时，将偏差度作为反馈信号优化意图识别模型，能够提高对下一步动作进行实时解码时的解码准确性，该设计能够有效保证复杂协同任务或本文档来自技高网...
【技术保护点】
1.一种运动意图解码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的运动意图解码方法，其特征在于：
3.根据权利要求2所述的运动意图解码方法，其特征在于：
4.根据权利要求3所述的运动意图解码方法，其特征在于：
5.根据权利要求2至4任一所述的运动意图解码方法，其特征在于：
6.根据权利要求5所述的运动意图解码方法，其特征在于，基于各目标解码信号所对应的信号质量评分和解码特征进行特征加权处理，获得相应的融合特征的具体步骤为：
7.根据权利要求2所述的运动意图解码方法，其特征在于，计算第一生理信号所对应的信号质量评分的方法为：
8.根据权利要求3所述的运动意图解码方法，其特征在于，各第二生理信号所对应的信号质量评分的计算方法包括：
9.一种运动意图解码系统，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。
【技术特征摘要】
1.一种运动意图解码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的运动意图解码方法，其特征在于：
3.根据权利要求2所述的运动意图解码方法，其特征在于：
4.根据权利要求3所述的运动意图解码方法，其特征在于：
5.根据权利要求2至4任一所述的运动意图解码方法，其特征在于：
6.根据权利要求5所述的运动意图解码方法，其特征在于，基于各目标解码信号所对应的信号质量评分和解码特征进行特征加权处理，获得相...
【专利技术属性】
技术研发人员：崔正哲，李鹏，万小姣，杨岭，王少尉，姚志安，
申请(专利权)人：浙江迈联医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。